LEARNING
面向O-RAN SLA风险预测的物理约束联邦加性模型
Aubida A. Al-Hameed, Mohammed M. H. Qazzaz, Maryam Hafeez, Syed A. Zaidi
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文提出Monotone FedNAM，一种在联邦学习中通过单调样条约束保持物理有效性的加性模型，用于预测O-RAN切片服务等级协议违规风险。该方法消除了无约束模型违反无线物理规律的问题，并能在不共享敏感KPI数据的情况下跨基站训练。
关键词
federated learningadditive modelsO-RANSLA predictionmonotonic constraints
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018